基于视频分析的A-CDM里程碑事件时间采集技术

发布时间：2020-10-10 01:30

　　机场协同决策系统(A-CDM)的目标是将机场、空管、航空公司等民用航空相关单位集成到统一平台,通过整合各方数据,进行数据共享。最终实现以机场作为通信中心,各方资源统一合理调度的民航通信体系。目前,A-CDM系统中仍有部分地面保障作业数据无法自动获取。本文针对这一问题,提出基于视频分析的A-CDM系统里程碑事件时间采集技术,以解决航班过站期间机场里程碑事件发生时间等数据收集困难的问题。本文研究内容包括基于目标检测确定A-CDM系统里程碑事件发生时间,基于先验知识识别A-CDM系统里程碑事件发生时间历史数据。目前,多数机场记录航班过站期间里程碑事件发生时间的方式采取纸质工单记录。这一重要的数据来源能很好的与从视频中识别到的里程碑事件发生时间进行对比矫正,使得收集到的里程碑事件发生时间的准确性得到提高。基于目标检测确定A-CDM系统里程碑事件发生时间通过机场停机坪上分布的摄像头,识别视频中的飞机、工作人员和地面保障车辆等目标。机场航班过站期间,飞机入位滑行时沿固定滑行曲线以相对稳定的速度滑行,地面保障作业有其独特的工作流程,保障车辆与飞机位置相对固定。利用这些关系,通过最小二乘法拟合飞机滑行曲线,识别运动中飞机的具体位置。并通过采取连续多帧图像,利用帧间滤波法建立背景图像。逐个像素地比较目标图像和背景图像,其中运动目标出现在差异图像的位置大于零的地方,运动目标的相对位置和形状由差异方法表示。得到视频中飞机的具体位置,以及保障车辆相对于飞机的位置和形状后,通过改进后网络模型判定地面保障车辆类型,并结合机场地面保障作业流程之间的先验知识,判断里程碑事件发生时间。基于先验知识识别A-CDM系统里程碑事件发生时间历史数据的目的是对机场纸质记录单数字进行自动识别。该模型在传统识别网络的基础上加入筛选层,删除不符合时间数据特点的结果。用混合高斯模型拟合各里程碑事件发生的时间差概率密度函数,然后利用该先验知识对识别结果进行选择。实验表明,两种方式均能对里程碑事件发生时间进行有效识别,并且两种方式相结合,能使里程碑事件发生时间的识别准确率更佳。
【学位单位】：中国民航大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V35
【部分图文】：

布局图,布局图,像素,高斯滤波

中国民航大学硕士学位论文7图 2-2 地面保障车辆布局图2.2 图像预处理图像预处理的目的是把感兴趣的部分截取下来，不感兴趣的部分剔除，以免它对后续计算造成干扰，增加计算的复杂度[36]。网络模型对于图片的识别速度和准确性，在很大程度上依赖于好的预处理过程。基于视频分析的 A-CDM 里程碑事件时间采集技术的预处理包括滤波降噪，灰度化减少网络输入的信息量以及二值化等。文献[37]提出一种非线性高斯滤波模型，高斯滤波的基本原理是对图像的所有像素值进行整体加权求平均，每一个像素都参与运算。具体来说，就是对任意像素，经过高斯滤波之后的像素值不仅由其自身像素值决定，还与它周围像素值相关。卷积扫描后的像素值就是将模板的中心像素值替换为由模板确定的邻域中像素加权平均灰度值。例如：若使用 3×3 模板，则(2.1)其中，为图像中点的灰度值，为该点经过高斯滤波后的值。一维高斯分布的公式为[38]( ) ( ) ( )11 1 11 11 1(

高斯数,二维,中国民航,椭圆体

中国民航大学硕士学位论文布的公式为：度取决于标准偏差，并且越靠近中心像素，权值越高。滤波更柔和，更平滑，边缘能更好地保留。二维高斯分的椭圆体内，如下图所示。2 2( )/(2 )12xesp s- ′′′2 222212x yesp s+- ′= ′′ ′

人工神经网络模型,偏导数,数据集中

图 2-4 人工神经网络模型图人工神经网络为基础模型，提出了分层训练和中的第 n 个样本，设 c 表示为数据集中需要输出，表示数据集中第 n 个样本的标签，误表示为：，其中。其中偏置和权重的偏导数：。号和误差相对于一个单元的所有输入的偏导数nky)2( )l lx =f μl l l 1lμw x b-= +E Eb bμdμ = ′ =

【相似文献】